Gemini 3.1 Flash-Lite ist Googles stabiles, schlankes multimodales Textmodell für häufige, klar definierte Aufgaben. Es basiert auf Gemini 3 Pro. Übersetzung und Klassifikation sind zentrale Einsatzbereiche; weitere hilfreiche Aufgaben umfassen Transkription, Dokumentzusammenfassungen, Entitätsextraktion und Klassifikation zur Modellwahl. Text, Bilder, Audio, Video und PDF können das Ausgangsmaterial liefern, und das Ergebnis ist Text. Ein hilfreicher Auftrag verlangt einen Vorgang und eine endgültige Form, etwa eine übersetzte Nachricht oder einen Datensatz mit in einem Dokument gefundenen Feldern.
Stellen Sie für eine Übersetzung Quelltext, Zielsprache, Leserschaft und unverändert zu erhaltende Terminologie bereit. Googles Beispiel verwendet Anweisungen, die ausschließlich die Übersetzung zurückgeben. Erhalten Sie bei der Übersetzung einer Supportnachricht Produktnamen und Bestellreferenzen und übersetzen Sie den Rest natürlich. Bestimmen Sie den Umgang mit Mehrdeutigkeit, damit das Ergebnis keine im Ausgangstext fehlenden Datumsangaben, Versprechen oder Details hinzufügt. Passen Sie die verlangte Form dem Ziel an, etwa als kurze Antwort oder gekennzeichneter Übersetzungsdatensatz.
Stellen Sie für eine Transkription die Aufnahme bereit und legen Sie fest, ob die Antwort den gesprochenen Wortlaut, ein lesbares redigiertes Transkript oder eine Zusammenfassung enthalten soll. Dies sind unterschiedliche Ausgaben. Benennen Sie den betreffenden Abschnitt, wenn eine lange Aufnahme nur eine für die Aufgabe benötigte Passage enthält. Das Entwicklerbeispiel des Herstellers übergibt Audio direkt und verlangt ein Texttranskript. Prüfen Sie Namen, Zahlen und unklare Passagen anhand der Aufnahme und bewahren Sie die Originalquelle zur Prüfung auf. Dieses allgemeine multimodale Textprofil impliziert für sich weder eine Audioausgabe noch ein spezielles Ergebnis mit Sprechertrennung.
Definieren Sie für Klassifikation oder Extraktion die Kategorien, das Schema und die Regel für fehlende Werte. Der Entwicklerleitfaden zeigt strukturiertes JSON zur Analyse einer Kundenbewertung mit einem stützenden Zitat und definierten Feldern. Ein strukturierter Datensatz kann das genannte Produkt, die Problemkategorie und den Satz enthalten, der die Auswahl begründet. Fügen Sie einen repräsentativen Fall hinzu, der unbekannt bleiben soll, statt in eine Kategorie gezwungen zu werden. Ein syntaktisch gültiger Datensatz muss dennoch mit dem tatsächlichen Quelltext verglichen werden.
Dokumentverarbeitung kann eine PDF-Datei in eine knappe Zusammenfassung oder einen Felddatensatz umwandeln. Formulieren Sie die Frage und erhalten Sie Seiten- oder Abschnittsverweise, wenn die Feststellung geprüft werden muss. Eine Tabellenprüfung sollte die relevanten Spalten und die Regel benennen; eine visuelle Aufgabe sollte die für die Antwort benötigte Beschriftung oder Region bestimmen. Modellrouting ist ein weiterer dokumentierter Einsatz: Das Modell klassifiziert die Komplexität einer Anfrage und gibt eine zulässige Auswahl zurück. Die angebundene Anwendung entscheidet, was als Nächstes ausgeführt wird, nicht der Klassifikationstext selbst.
Denken wird unterstützt, und der Hersteller zeigt höheren Aufwand für Aufgaben, die von mehr Analyse profitieren. Die Seite für genau dieses stabile Modell nennt außerdem Funktionsaufrufe, Codeausführung, Dateisuche, Such-Grounding, Maps Grounding, URL-Kontext und strukturierte Ausgabe. Computer Use wird in diesem stabilen 3.1-Profil nicht unterstützt; das spätere Profil 3.5 Flash-Lite hat eine andere Fähigkeitentabelle. Definieren Sie Werkzeugzwecke und Parameter klar und setzen Sie mit tatsächlich zurückgegebenen Ergebnissen fort. Ein Funktionsvorschlag belegt nicht, dass der Vorgang stattgefunden hat.
Die native Modellkarte nennt bis zu 1M Kontext und 64K Textausgabe; die stabile API-Tabelle legt 1.048.576 Eingabetoken und 65.536 Ausgabetoken fest. Berücksichtigen Sie Anweisungen, Gespräch und Quellmedien bei der Eingabevorbereitung und verlangen Sie eine zum gewünschten Ergebnis passende Ausgabelänge. Caching, Stapelverarbeitung sowie Flex- und Priority-Verarbeitung sind für dieses Herstellerprofil dokumentiert. Übernehmen Sie bei wiederholten unabhängigen Elementen die Eingabekennung in das Ergebnis und behalten Sie ein einheitliches Schema bei, damit eine fehlende Antwort erkannt werden kann.
Diese stabile Modellkennung ist von Gemini 3.1 Flash-Lite Preview und späteren Flash-Lite-Editionen getrennt. Erhalten Sie bei der Vorbereitung wiederholter Verarbeitung die genaue Edition, statt einen vertrauten Familiennamen als Garantie für eine feste Revision zu behandeln. Prüfen Sie Übersetzungen auf erhaltene Bedeutung und Begriffe, Transkripte anhand des Audios und extrahierte Felder anhand des Dokuments. Die praktische Rolle dieses Profils ist die gezielte multimodale Textverarbeitung mit einem klaren Ergebnis, während das Denken oder externe Aktionen einer umfassenderen Aufgabe dem passenden nachfolgenden Schritt überlassen bleiben.
", "aboutText": "Gemini 3.1 Flash-Lite ist Googles stabiles, schlankes multimodales Textmodell für häufige, klar definierte Aufgaben. Es basiert auf Gemini 3 Pro. Übersetzung und Klassifikation sind zentrale Einsatzbereiche; weitere hilfreiche Aufgaben umfassen Transkription, Dokumentzusammenfassungen, Entitätsextraktion und Klassifikation zur Modellwahl. Text, Bilder, Audio, Video und PDF können das Ausgangsmaterial liefern, und das Ergebnis ist Text. Ein hilfreicher Auftrag verlangt einen Vorgang und eine endgültige Form, etwa eine übersetzte Nachricht oder einen Datensatz mit in einem Dokument gefundenen Feldern.\n\nStellen Sie für eine Übersetzung Quelltext, Zielsprache, Leserschaft und unverändert zu erhaltende Terminologie bereit. Googles Beispiel verwendet Anweisungen, die ausschließlich die Übersetzung zurückgeben. Erhalten Sie bei der Übersetzung einer Supportnachricht Produktnamen und Bestellreferenzen und übersetzen Sie den Rest natürlich. Bestimmen Sie den Umgang mit Mehrdeutigkeit, damit das Ergebnis keine im Ausgangstext fehlenden Datumsangaben, Versprechen oder Details hinzufügt. Passen Sie die verlangte Form dem Ziel an, etwa als kurze Antwort oder gekennzeichneter Übersetzungsdatensatz.\n\nStellen Sie für eine Transkription die Aufnahme bereit und legen Sie fest, ob die Antwort den gesprochenen Wortlaut, ein lesbares redigiertes Transkript oder eine Zusammenfassung enthalten soll. Dies sind unterschiedliche Ausgaben. Benennen Sie den betreffenden Abschnitt, wenn eine lange Aufnahme nur eine für die Aufgabe benötigte Passage enthält. Das Entwicklerbeispiel des Herstellers übergibt Audio direkt und verlangt ein Texttranskript. Prüfen Sie Namen, Zahlen und unklare Passagen anhand der Aufnahme und bewahren Sie die Originalquelle zur Prüfung auf. Dieses allgemeine multimodale Textprofil impliziert für sich weder eine Audioausgabe noch ein spezielles Ergebnis mit Sprechertrennung.\n\nDefinieren Sie für Klassifikation oder Extraktion die Kategorien, das Schema und die Regel für fehlende Werte. Der Entwicklerleitfaden zeigt strukturiertes JSON zur Analyse einer Kundenbewertung mit einem stützenden Zitat und definierten Feldern. Ein strukturierter Datensatz kann das genannte Produkt, die Problemkategorie und den Satz enthalten, der die Auswahl begründet. Fügen Sie einen repräsentativen Fall hinzu, der unbekannt bleiben soll, statt in eine Kategorie gezwungen zu werden. Ein syntaktisch gültiger Datensatz muss dennoch mit dem tatsächlichen Quelltext verglichen werden.\n\nDokumentverarbeitung kann eine PDF-Datei in eine knappe Zusammenfassung oder einen Felddatensatz umwandeln. Formulieren Sie die Frage und erhalten Sie Seiten- oder Abschnittsverweise, wenn die Feststellung geprüft werden muss. Eine Tabellenprüfung sollte die relevanten Spalten und die Regel benennen; eine visuelle Aufgabe sollte die für die Antwort benötigte Beschriftung oder Region bestimmen. Modellrouting ist ein weiterer dokumentierter Einsatz: Das Modell klassifiziert die Komplexität einer Anfrage und gibt eine zulässige Auswahl zurück. Die angebundene Anwendung entscheidet, was als Nächstes ausgeführt wird, nicht der Klassifikationstext selbst.\n\nDenken wird unterstützt, und der Hersteller zeigt höheren Aufwand für Aufgaben, die von mehr Analyse profitieren. Die Seite für genau dieses stabile Modell nennt außerdem Funktionsaufrufe, Codeausführung, Dateisuche, Such-Grounding, Maps Grounding, URL-Kontext und strukturierte Ausgabe. Computer Use wird in diesem stabilen 3.1-Profil nicht unterstützt; das spätere Profil 3.5 Flash-Lite hat eine andere Fähigkeitentabelle. Definieren Sie Werkzeugzwecke und Parameter klar und setzen Sie mit tatsächlich zurückgegebenen Ergebnissen fort. Ein Funktionsvorschlag belegt nicht, dass der Vorgang stattgefunden hat.\n\nDie native Modellkarte nennt bis zu 1M Kontext und 64K Textausgabe; die stabile API-Tabelle legt 1.048.576 Eingabetoken und 65.536 Ausgabetoken fest. Berücksichtigen Sie Anweisungen, Gespräch und Quellmedien bei der Eingabevorbereitung und verlangen Sie eine zum gewünschten Ergebnis passende Ausgabelänge. Caching, Stapelverarbeitung sowie Flex- und Priority-Verarbeitung sind für dieses Herstellerprofil dokumentiert. Übernehmen Sie bei wiederholten unabhängigen Elementen die Eingabekennung in das Ergebnis und behalten Sie ein einheitliches Schema bei, damit eine fehlende Antwort erkannt werden kann.\n\nDiese stabile Modellkennung ist von Gemini 3.1 Flash-Lite Preview und späteren Flash-Lite-Editionen getrennt. Erhalten Sie bei der Vorbereitung wiederholter Verarbeitung die genaue Edition, statt einen vertrauten Familiennamen als Garantie für eine feste Revision zu behandeln. Prüfen Sie Übersetzungen auf erhaltene Bedeutung und Begriffe, Transkripte anhand des Audios und extrahierte Felder anhand des Dokuments. Die praktische Rolle dieses Profils ist die gezielte multimodale Textverarbeitung mit einem klaren Ergebnis, während das Denken oder externe Aktionen einer umfassenderen Aufgabe dem passenden nachfolgenden Schritt überlassen bleiben.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "0a7608748ae2ced62bb4ad1b60d2cc1609e79f6307ed311740e32c8134de922f", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de", "methods": [ { "html": "google/gemini-3.1-flash-lite:batchGemini 3.1 Flash-Lite ist Googles stabiles multimodales Modell für Übersetzung, Transkription, Klassifikation und einfache Extraktion in großem Umfang. Es verarbeitet Text, Bilder, Audio, Video und PDF und gibt Text aus, mit Denken, Werkzeugen und strukturierten Ausgaben. Seine genauen Eingabe- und Ausgabegrenzen betragen 1.048.576 beziehungsweise 65.536 Token.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Gemini 3.1 Flash-Lite ist Googles stabiles, schlankes multimodales Textmodell für häufige, klar definierte Aufgaben. Es basiert auf Gemini 3 Pro. Übersetzung und Klassifikation sind zentrale Einsatzbereiche; weitere hilfreiche Aufgaben umfassen Transkription, Dokumentzusammenfassungen, Entitätsextraktion und Klassifikation zur Modellwahl. Text, Bilder, Audio, Video und PDF können das Ausgangsmaterial liefern, und das Ergebnis ist Text. Ein hilfreicher Auftrag verlangt einen Vorgang und eine endgültige Form, etwa eine übersetzte Nachricht oder einen Datensatz mit in einem Dokument gefundenen Feldern.
Stellen Sie für eine Übersetzung Quelltext, Zielsprache, Leserschaft und unverändert zu erhaltende Terminologie bereit. Googles Beispiel verwendet Anweisungen, die ausschließlich die Übersetzung zurückgeben. Erhalten Sie bei der Übersetzung einer Supportnachricht Produktnamen und Bestellreferenzen und übersetzen Sie den Rest natürlich. Bestimmen Sie den Umgang mit Mehrdeutigkeit, damit das Ergebnis keine im Ausgangstext fehlenden Datumsangaben, Versprechen oder Details hinzufügt. Passen Sie die verlangte Form dem Ziel an, etwa als kurze Antwort oder gekennzeichneter Übersetzungsdatensatz.
Stellen Sie für eine Transkription die Aufnahme bereit und legen Sie fest, ob die Antwort den gesprochenen Wortlaut, ein lesbares redigiertes Transkript oder eine Zusammenfassung enthalten soll. Dies sind unterschiedliche Ausgaben. Benennen Sie den betreffenden Abschnitt, wenn eine lange Aufnahme nur eine für die Aufgabe benötigte Passage enthält. Das Entwicklerbeispiel des Herstellers übergibt Audio direkt und verlangt ein Texttranskript. Prüfen Sie Namen, Zahlen und unklare Passagen anhand der Aufnahme und bewahren Sie die Originalquelle zur Prüfung auf. Dieses allgemeine multimodale Textprofil impliziert für sich weder eine Audioausgabe noch ein spezielles Ergebnis mit Sprechertrennung.
Definieren Sie für Klassifikation oder Extraktion die Kategorien, das Schema und die Regel für fehlende Werte. Der Entwicklerleitfaden zeigt strukturiertes JSON zur Analyse einer Kundenbewertung mit einem stützenden Zitat und definierten Feldern. Ein strukturierter Datensatz kann das genannte Produkt, die Problemkategorie und den Satz enthalten, der die Auswahl begründet. Fügen Sie einen repräsentativen Fall hinzu, der unbekannt bleiben soll, statt in eine Kategorie gezwungen zu werden. Ein syntaktisch gültiger Datensatz muss dennoch mit dem tatsächlichen Quelltext verglichen werden.
Dokumentverarbeitung kann eine PDF-Datei in eine knappe Zusammenfassung oder einen Felddatensatz umwandeln. Formulieren Sie die Frage und erhalten Sie Seiten- oder Abschnittsverweise, wenn die Feststellung geprüft werden muss. Eine Tabellenprüfung sollte die relevanten Spalten und die Regel benennen; eine visuelle Aufgabe sollte die für die Antwort benötigte Beschriftung oder Region bestimmen. Modellrouting ist ein weiterer dokumentierter Einsatz: Das Modell klassifiziert die Komplexität einer Anfrage und gibt eine zulässige Auswahl zurück. Die angebundene Anwendung entscheidet, was als Nächstes ausgeführt wird, nicht der Klassifikationstext selbst.
Denken wird unterstützt, und der Hersteller zeigt höheren Aufwand für Aufgaben, die von mehr Analyse profitieren. Die Seite für genau dieses stabile Modell nennt außerdem Funktionsaufrufe, Codeausführung, Dateisuche, Such-Grounding, Maps Grounding, URL-Kontext und strukturierte Ausgabe. Computer Use wird in diesem stabilen 3.1-Profil nicht unterstützt; das spätere Profil 3.5 Flash-Lite hat eine andere Fähigkeitentabelle. Definieren Sie Werkzeugzwecke und Parameter klar und setzen Sie mit tatsächlich zurückgegebenen Ergebnissen fort. Ein Funktionsvorschlag belegt nicht, dass der Vorgang stattgefunden hat.
Die native Modellkarte nennt bis zu 1M Kontext und 64K Textausgabe; die stabile API-Tabelle legt 1.048.576 Eingabetoken und 65.536 Ausgabetoken fest. Berücksichtigen Sie Anweisungen, Gespräch und Quellmedien bei der Eingabevorbereitung und verlangen Sie eine zum gewünschten Ergebnis passende Ausgabelänge. Caching, Stapelverarbeitung sowie Flex- und Priority-Verarbeitung sind für dieses Herstellerprofil dokumentiert. Übernehmen Sie bei wiederholten unabhängigen Elementen die Eingabekennung in das Ergebnis und behalten Sie ein einheitliches Schema bei, damit eine fehlende Antwort erkannt werden kann.
Diese stabile Modellkennung ist von Gemini 3.1 Flash-Lite Preview und späteren Flash-Lite-Editionen getrennt. Erhalten Sie bei der Vorbereitung wiederholter Verarbeitung die genaue Edition, statt einen vertrauten Familiennamen als Garantie für eine feste Revision zu behandeln. Prüfen Sie Übersetzungen auf erhaltene Bedeutung und Begriffe, Transkripte anhand des Audios und extrahierte Felder anhand des Dokuments. Die praktische Rolle dieses Profils ist die gezielte multimodale Textverarbeitung mit einem klaren Ergebnis, während das Denken oder externe Aktionen einer umfassenderen Aufgabe dem passenden nachfolgenden Schritt überlassen bleiben.
POST /v1/batchestexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldendpoint | Typstring | AnforderungErforderlich | Werte und Limits /v1/chat/completions | Standard— |
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits google/gemini-3.1-flash-lite:batch | Standard— |
Feldrequests | Typbatch_item[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldrequests[].custom_id | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldrequests[].body.messages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldcompletion_window | Typstring | AnforderungOptional | Werte und Limits 24h | Standard— |
Feldprovider | Typobject|null | AnforderungOptional | Werte und Limits | Standard— |
Feldrequests[].body.model | Typstring | AnforderungOptional | Werte und Limits google/gemini-3.1-flash-lite:batch, google/gemini-3.1-flash-lite | Standard— |
Feldprovider.only | Typstring[] | AnforderungOptional | Werte und Limits google-vertex/global | Standard— |
Feldprovider.allow_fallbacks | Typboolean|null | AnforderungOptional | Werte und Limits false, null | Standard— |
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragendpoint, model, requests |
Parametermaterial_types | Vertragtext |
Parameterrepresentation | Vertrageingebettete requests[]; jedes Element enthält custom_id und body |
Parameterrequest_endpoint_profile | Vertrag/v1/chat/completions |
Parameterfile_material | VertragDer Aufrufer kann tatsächliches UTF-8-JSONL lokal in requests[] einlesen. Es werden weder ein Upload-Zweck noch input_file_id oder eine Dateireferenz verwendet. Fehlendes oder leeres Kundenmaterial stoppt die Vorbereitung vor POST. |
Parameterserialization_order | Vertragendpoint, model, provider (falls angegeben), completion_window (falls angegeben), requests als letztes Feld |
Parameteroptional_controls | Vertragprovider.only, provider.allow_fallbacks, completion_window |
Parameterschema_scope | VertragAnfragekörper für Text Chat Completions in der dokumentierten Inline-Batch-Struktur. |
Lebenszyklus: asynchronous
GET /v1/batches/{operation_id} · die tatsächliche response.id der ursprünglichen Erstellungsantwort; derselbe Nutzer/Schlüssel/dieselbe Gruppe
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00025 / 1K Token Ausgabe · Ausgabetoken $0.0015 / 1K Token Eingabe · Cache-Lesen $0.000025 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00025 / 1K Token Ausgabe · Ausgabetoken $0.0015 / 1K Token Eingabe · Cache-Lesen $0.000025 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"google/gemini-3.1-flash-lite:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['google/gemini-3.1-flash-lite:batch', 'google/gemini-3.1-flash-lite']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"google/gemini-3.1-flash-lite:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\neingebettetes JSON unter results[].response.body
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nBewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Das vollständige ursprüngliche Status-JSON, jedes Ergebnis/jede custom_id und den vollständigen Antwort- oder Fehlerkörper aufbewahren. Abgeschlossene results[] ohne Filterung als JSONL speichern.
Die ursprüngliche Vorgangs-ID beibehalten. Bei 503 result_pending_check gilt X-Should-Retry:false; einen ursprünglichen Batch mit unbekanntem Ausgang niemals erneut einreichen.
| Feld | Typ |
|---|---|
Feldresults[].custom_id | Typstring |
Feldresults[].response.body.choices[].message.content | Typstring|null |
Feldresults[].error | Typobject|null |
Feldusage | Typobject|null |
Feldid | Typstring |
Feldmodel | Typstring |
Feldendpoint | Typstring |
Feldstatus | Typstring |
Feldrequest_counts | Typobject |
Feldresults[].id | Typstring |
Feldresults[].response.status_code | Typinteger |
Feldresults[].response.request_id | Typstring |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungUngültige Struktur der dokumentierten Inline-Einbettung, doppelte Schlüssel, ungültige Identitätsangaben zu einem Element oder ein Konflikt mit den konfigurierten Modellfähigkeiten. | Nächster SchrittDie angegebenen Felder vor jeder neuen Einreichung korrigieren. |
Antwort401 · authentication_error | BedingungUngültiger API-Schlüssel. | Nächster SchrittDen autorisierten Ailoot-Schlüssel verwenden. |
Antwort403 · permission_error | BedingungGruppe für Stapelverarbeitung nicht verfügbar. | Nächster SchrittDie Berechtigung des Schlüssels bzw. der Gruppe prüfen. |
Antwort422 · invalid_request_error | BedingungStapelverarbeitung wird über das Guthaben abgerechnet; die Erstellung über ein Abonnement wird abgelehnt. | Nächster SchrittDie autorisierte Gruppe mit Guthabenabrechnung verwenden. |
Antwort422 · price_unavailable | BedingungFür die Batch-Eingabe kann kein Preisangebot erstellt werden. | Nächster SchrittAntwort aufbewahren; die dokumentierte Eingabe der API-Familie verwenden. |
Antwort402 · billing_error | BedingungReservierung für Stapelverarbeitung nicht verfügbar. | Nächster SchrittDie Zulassung klären, bevor eine neue Anfrage gestellt wird. |
Antwort503 · price_unavailable | BedingungMethodenpreis bzw. native Tarife für Stapelverarbeitung nicht verfügbar. | Nächster SchrittAntwort aufbewahren; keine anderen Preise einsetzen. |
Antwort503 · api_error | BedingungDie genaue Anbieterroute ist nicht verfügbar. | Nächster SchrittAntwort zur Reparatur der Route aufbewahren. |
Antwort503 · result_pending_check | BedingungDas ursprüngliche Ergebnis muss geprüft werden; X-Should-Retry:false. | Nächster SchrittDie ursprüngliche operation_id/id beibehalten und ihren Status lesen; den ursprünglichen POST niemals wiederholen. |
Antwort404 · not_found | BedingungDer Batch-Vorgang, dessen Status abgefragt wird, ist nicht vorhanden oder gehört einer anderen Identität. | Nächster SchrittDie genaue ursprüngliche id und denselben Nutzer/Schlüssel/dieselbe Gruppe verwenden. |
Ailoot Ultra google/gemini-3.1-flash-lite:batch
Verwenden Sie die oben angezeigten Methodenpfade.